改进的单类支持向量机的网络流量检测

单类支持向量机(OCSVM)理论对有限样本、高维空间和不平衡数据集分类有巨大优势,通过使用权重值模拟退火法与动态惯性因子的粒子群算法改进OCSVM的参数选择算法,进行流量分类,使得分类准确率提高了近10%,解决了传统流量分类方法的低准确率和开销大等弊端,对提高网络服务质量、网络管理与控制以及网络安全等领域具有重要意义。     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

基于DPI和机器学习的网络流量分类方法

网络流量分类是实现网络管理的重要技术之一,但是单一的基于DPI或是机器学习的分类方法分类精确度低.提出了一种基于DPI和机器学习相结合的网络流量分类方法.该方法采用DPI检测已知特征的网络流量,利用机器学习方法辅助分析未知特征以及加密的网络流.实验表明该方法能够提高网络流量分类的精确度.     

基于Netflow的流量分类方法研究

针对Netflow提供的流量信息有限的问题,在Netflow的基本信息基础上构建更丰富的特征空间,通过机器学方法（决策树、朴素Bayes方法和Bayes网络）研究了Netflow用于流量分类的可行性。实验结果表明,决策树方法在Netflow数据上具有良好的分类效果;同时结合Netflow的广泛性,提出的方法具有良好的实用意义和推广价值。     

基于机器学习的网络流量分类综述

网络流量分类对于网络优化、网络安全预警、用户个性化服务等具有重要意义。随着通信和信息技术的发展,传统的基于端口以及深度包检测的分类方法由于私有协议的广泛应用已不能满足需求。基于机器学习的分类算法被应用于流量分类研究,但加密技术为流量分类的特征提取带来一定难度。首先总结了网络流量分类的基本流程;其次分析了分类粒度及其应用场景,并对目前流量分类的主要技术按照监督学习、半监督学习、无监督学习进行了分类研究;最后对网络流量分类技术的发展趋势及面临挑战做了展望,为网络流量分类研究提供一定的参考。     

基于支持向量机的文本分类方法研究

文本分类是信息检索与数据挖掘领域的研究热点与核心技术,近年来得到了广泛的关注和快速的发展,其中基于支持向量机的文本分类方法的研究是信息检索领域的一个重要分支。本文首先讨论了该领域的研究状况,接着阐述并分析了在该领域中的主要研究方法以及实例．最后对该领域研究中存在的问题和方向进行了分析。     

一种基于调节因子的动态自组织映射网络流量分类方法

针对当前自组织映射网络在流量分类中存在的不足,提出一种新的动态增长自组织映射模型DS GSOM用于流量分类。该方法采用灵活可控的网络结构,引入调节因子EF来控制网络生长,可以按需要方便地在任意合适位置生成新结点,实现层次聚类,所生成的网络结点数目远远低于传统的SOFM方法,训练周期短,算法执行效率明显高于SOM和GSOM。实验分析结果表明该分类方法准确率和召回率明显优于自组织映射网络的其它流量分类方法。     

网络流量分类方法的比较研究

实施有效地网络管理,首先要对网络流量按照应用类型不同进行准确分类.由于目前传统的基于端口号匹配和特征字段分析的流量分类方法不能很好的满足网管需要的现状,因此,针对这两种方法在应用中存在的问题进行了分析,并与目前研究较多的基于流统计特征的机器学习分类方法进行比较.研究后结果表明:该方法包括有流样本的形成、特征选择过程和机器学习分类过程3个关键步骤,可通过网络流量的统计特征,采用机器学习方法进行准确分类.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

一种基于支持向量机的IP网络流量预测方法

随着网络技术的发展,网络规模逐渐扩大,网络结构越来越复杂,为了便于加强网络管理,需要对IP网络流量进行测量和预测。针对上述情况,本文基于NetFlow协议、按照优化设计的组网方案进行数据流捕获,设计了IP网络流量采集系统,提出了一种基于支持向量机的流量预测的方法。最后,通过实例验证了该方法的有效性和可行性。     

一种基于相关向量机的调制方式识别算法

针对数字信号的调制方式识别问题,给出了一种基于相关向量机的分类方法。相关向量机基于贝叶斯学习方法,其判决函数仅取决于训练样本的一小部分。文章提取信号的谱相关特征参数,设计了合理的分类策略。实验结果表明,与支持向量机相比,基于相关向量机的分类方法在保持较高识别率的同时,提高了调制识别的时效性。     

基于支持向量预选取的分类方法

提出了一种基于支持向量预选取的两类分类方法,在不影响分类性能的前提下,根据支持向量的几何特征,采用向量投影的概率分布法和减法聚类再选取法,在训练样本集中预先选择与分类有关的一组支持向量,代替整个训练样本集,进行支持向量机两类分类.数据实验结果表明,该方法有效地提高了支持向量机分类器的学习效率,实现了较高的分类精确度.     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于概率型支持向量分类机的Q学习

按TD误差标准,把Q学习系统的状态-动作空间粗略地划分为正负2类.为了描述分类的不确定性和避免简单分类导致的学习精度下降问题,利用概率型支持向量分类机(PSVCM)来使得样本的分类同时具有定性的解释和定量的评价.PSVCM的输入为系统的连续状态和离散动作,输出为带有概率值的类别标签.对由PSVCM判定为正类的离散动作按其概率值进行加权求和,即可得到连续动作空间下的Q学习控制策略.小船靠岸问题的仿真结果表明,与基于传统支持向量分类机的Q学习相比,所提方法不仅能够有效解决具有连续状态和连续动作的非线性系统的Q学习控制,而且其控制性能对初始动作的设置不敏感.     

基于支持向量机的文本倾向性分类研究

文本倾向性分类可以广泛应用到信息检索,产品质量在线跟踪,民情民意调查分析以及聊天系统等.本文提出了基于限定词性词语与信息增益、基于情感倾向词汇与信息增益的两种混合特征选择方法,并设计了基于支持向量机的分类器.以汽车产品、篮球赛事以及中日关系3种中文评论文本为训练与测试语料,对本文所提方法进行了实验验证,结果表明:限定词性词语与信息增益的混合特征选择优于信息增益与情感倾向词汇混合特征选择方法.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

基于支持向量机和太赫兹光谱技术的农药分类

基于农药的太赫兹吸收光谱和支持向量机对4种农药进行了分类。利用太赫兹时域光谱系统对4种农药,即三氯杀螨砜、敌百虫、亚胺硫磷和六氯苯进行检测,获得样品的太赫兹时域信号,然后计算获得其在0.3~2.2THz范围内的吸收光谱。用主成分分析法对太赫兹吸收光谱进行分析,提取光谱特征,用支持向量机分别对太赫兹吸收光谱和光谱特征进行分类。实验结果表明,这两种方案均能有效地对农药进行分类,分类正确率为100%。